基于物理知识的交叉注意力算子网络,结合硬约束傅里叶特征,用于大规模电池组的热图预测

《Engineering Applications of Artificial Intelligence》:Physics-informed cross-attention operator network with hard-constrained Fourier features for heat map prediction of large-scale battery packs

【字体: 大 中 小 】 时间:2026年04月18日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  电池热管理中提出基于物理信息的交叉注意力算子网络(PI-CAON),解决大规模电池包布局变化下的热分布预测难题。通过傅里叶特征编码、硬约束傅里叶嵌入和交叉注意力特征融合机制,实现无标注数据训练,预测误差低于0.03°C,显著优于传统网格方法和数据驱动模型。

  
袁江|叶月江|刘铮|王平峰
美国伊利诺伊大学厄巴纳-香槟分校工业与企业系统工程系,厄巴纳,IL 61801

摘要

准确预测温度分布对于安全和高效的电池组设计和管理至关重要。在间接液体冷却配置中,电池单元的布局会显著影响内部热传递,这使得基于布局的热图预测变得复杂。然而,现有的数据驱动和物理信息驱动的替代模型往往受到高保真数据稀缺、基于网格的离散化以及在不同布局下的泛化能力不足的限制。为了解决这些问题,本文提出了一种基于物理信息的交叉注意力算子网络(PI-CAON),这是一种用于大规模电池组稳态热图预测的无网格神经算子。该模型结合了傅里叶特征编码来表示多频率热行为、硬约束傅里叶嵌入来强制满足诺伊曼边界条件,以及基于交叉注意力的特征融合机制来明确捕捉单元间和布局依赖的热相互作用。通过将控制热传递的物理原理嵌入到训练损失中,PI-CAON实现了无需标签的学习,同时保持了物理一致性。在20个电池单元的间接液体冷却电池组上的数值实验表明,PI-CAON能够在多种布局配置下实现准确且稳健的热图预测,最大温度误差低于0.03°C。比较研究显示,PI-CAON在预测准确性和计算效率方面均优于基于网格的方法、现有的物理信息驱动神经算子以及纯数据驱动的基线模型,凸显了其在电池热设计优化和不确定性量化方面的潜力。

引言

全球范围内的脱碳倡议显著加速了向电动交通的转型。在这种背景下,锂离子电池因其高功率密度、长循环寿命和快速充电能力而成为现代电动汽车和下一代移动平台的基石(Fayaz等人,2022年)。随着车辆功率需求和能量密度的不断增加,电池系统需要在更严格的热和结构约束下运行,这凸显了电池热管理系统(BTMS)的重要性(Kabirzadeh等人,2025年)。通过散发电池单元产生的热量,BTMS将单元温度控制在安全操作范围内,从而防止热失控、性能下降和均匀老化。在各种BTMS方法中,间接液体冷却具有优越的结构灵活性,可以适应各种电池组几何形状和车辆设计(Anisha和Kumar,2023年)。由于单元布置直接影响局部热量产生和散发路径,间接冷却电池组的熱行为对内部布局非常敏感。因此,准确可靠的温度场(即热图)预测不仅是优化电池系统设计的基础,也是确保热安全和系统可靠性的关键。
传统的电池热图预测方法大致可以分为基于测量的方法(Tong等人,2025年;Ferreira和Tang,2025年)、基于仿真的方法(Fayaz等人,2022年)和数据驱动的方法(C. Zhu等人,2024年),每种方法都有其固有的局限性。基于测量和模型的方法依赖于稀疏的温度传感器和简化的热模型,这限制了它们在灵活布局下恢复完整空间温度场的能力(Ferreira和Tang,2025年;Tian等人,2017年;Ma等人,2020年)。高保真数值模拟,如有限元或有限体积方法,可以在不同布局和材料配置下提供准确的温度预测(Fayaz等人,2022年;J. Zhu等人,2024年;Al-Haddad等人,2024年)。然而,其高昂的计算成本限制了它们在需要快速和重复评估的设计优化和不确定性量化任务中的应用。作为数值模拟的有效替代方案,数据驱动的替代建模越来越多地采用机器学习技术来近似参数-响应关系(C. Zhu等人,2024年;Liu等人,2025c;Wang等人,2025年)。虽然替代模型在推理过程中提供了显著加速,但它们的预测准确性,特别是对于深度神经网络,仍然强烈依赖于大量高保真训练数据的可用性,而这些数据在现实电池设计场景中往往昂贵或不可获得。
为了解决数据稀缺的问题,物理信息驱动的机器学习(PIML)作为一种有前景的范式应运而生,它将物理定律(通常是偏微分方程(PDEs)整合到神经网络架构或训练目标中(Raissi等人,2019年;Xu等人,2023年)。通过结合物理约束,PIML模型提高了数据效率,同时增强了物理一致性和泛化能力(Banerjee等人,2025年;Jiang等人,2026年)。然而,大多数现有的用于电池热分析的PIML模型,如物理信息驱动的全连接神经网络(PI-FCNN)(Deng等人,2023年;Jo等人,2024年)、物理信息驱动的长短期记忆(PI-LSTM)网络(Shen等人,2025年)和物理信息驱动的卷积神经网络(PI-CNN)(Jiang等人,2025年;Liu等人,2025a),要么是为单单元热建模开发的,要么在扩展到电池组时依赖于固定的基于网格的几何表示,导致可扩展性有限、离散化引起的误差、分辨率敏感以及处理任意布局或在连续空间位置查询温度的灵活性受限。相比之下,神经算子提供了一种无网格且与分辨率无关的替代方案,通过学习输入函数和PDE解之间的映射(Azizzadenesheli等人,2024年;Shukla等人,2024年)。在各种神经算子架构中,深度算子网络(DeepONet)(Lu等人,2021年)是一个代表性框架,它通过双路径结构近似非线性PDE解:分支网络编码输入函数,主干网络处理空间坐标。在DeepONet的基础上,开发了几种变体以改进泛化能力并适应几何变化。具体来说,物理信息驱动的深度组合算子网络(PI-DCON)(Zhong和Meidani,2024年)引入了重复参数嵌入和组合层,以无标签的方式学习复杂解;物理信息驱动的几何感知神经算子(PI-GANO)(Zhong和Meidani,2025年)通过多层感知器和特征连接明确编码几何信息。尽管取得了这些进展,现有的物理信息驱动神经算子在应用于具有复杂布局的大规模电池组时仍存在局限性:(1)基于乘法的特征融合机制不足以捕捉复杂的单元间热相互作用;(2)基于多层感知器的编码器难以表示单元-油脂界面附近的高频温度梯度;(3)依赖软约束来强制边界条件(尤其是诺伊曼边界条件)可能导致训练不稳定。这些限制共同降低了涉及大量单元的电池组配置的热图预测准确性。
为了解决物理信息驱动神经算子在处理复杂随机几何形状和多频率系统行为时面临的关键挑战,本文提出了一种新颖的物理信息驱动的交叉注意力算子网络(PI-CAON),作为一种无网格替代模型,用于在没有任何标注训练数据的情况下预测大规模电池组在不同布局配置下的稳态热图。首先,为了解决单元-油脂界面附近陡峭温度梯度与其他地方相对平滑变化之间的共存问题,将傅里叶特征编码策略引入分支网络,有效地捕捉了不同参数化布局表示下的高频率和低频率空间热模式。为了克服由软边界条件引起的训练不稳定,提出了一种硬约束傅里叶嵌入策略作为物理信息驱动的网络架构。通过在主干网络中的整数频率应用余弦映射,神经算子不仅以硬约束方式强制满足诺伊曼边界条件,还从配置点提取多尺度特征。此外,为了有效捕捉大规模电池组中复杂的单元间和单元-配置点热相互作用,设计了一个基于交叉注意力机制的堆叠特征融合模块,该模块允许明确学习布局和查询位置之间的几何依赖性。通过利用自动微分来计算PDE残差损失,PI-CAON实现了完全无标签的学习,同时确保了高估计准确性和物理真实性。在具有20个电池单元的间接液体冷却电池组上的实验表明,所提出的PI-CAON能够在不同的电池布局下实现准确且可靠的热图预测,最大估计误差低于0.03°C。比较研究验证了PI-CAON在预测准确性和计算效率方面均优于基于网格的方法和传统神经算子。考虑到预测准确性和训练效率之间的权衡,PI-CAON也表现出优于其数据驱动对应物的性能。本文的主要贡献总结如下:
  • 1. 开发了一种无网格的物理信息驱动神经算子框架,用于大规模电池组的布局感知热图预测,能够在不依赖标记训练数据的情况下实现准确的温度估计。
  • 2. 引入了一种多尺度和物理一致的建模策略,以改进异构热行为的表示,并确保在物理信息驱动训练中稳定满足诺伊曼边界条件。
  • 3. 结合了基于注意力的交互建模机制,以明确捕捉几何依赖的热耦合效应,显著提高了复杂电池组布局的预测准确性。
本文的其余部分组织如下。第2节介绍了控制热传递的物理原理,并阐述了电池热管理中的热图预测问题。第3节详细介绍了所提出的PI-CAON的网络组件和物理信息驱动的训练策略。第4节进行了实验结果、基线比较和深入讨论。最后,第5节总结了结论和未来工作。

部分摘录

电池组中的热传递

本研究调查了配备间接液体冷却系统的大规模电池组中的热传递和热管理。问题表述的符号在表1中总结。如图1所示,多个相同类型的圆柱形电池单元(半径为r)随机分配在一个宽度为w的方形横截面容器内,容器具有隔热侧壁。为了散发电池单元产生的热量,一对空心铝板被用来

模型结构概述

神经算子是特殊的机器学习模型,它们学习无限维函数空间之间的映射(Azizzadenesheli等人,2024年)。与近似有限维输入-输出关系的传统CNN不同,神经算子旨在从离散化或参数化的输入函数(如源项、边界条件或材料场)学习到相应的解函数,使它们非常适合解决连续域上的PDEs。

实验设置

在本研究中,考虑了一个包含20个相同21700圆柱形电池单元的电池组,以验证所提出的PI-CAON方法在热图预测中的有效性。电池组的横截面宽度为135毫米。每个电池单元及其塑料外壳的直径为21.25毫米,高度为70毫米。电池单元在电池组内随机分布,相邻单元之间以及单元与侧壁之间保持至少2毫米的间隙。

结论

本文提出了一种名为PI-CAON的新型无网格物理信息驱动替代模型,用于在不同布局配置下的大规模间接液体冷却电池组的稳态热图预测。通过结合基于傅里叶的多尺度特征表示、硬约束的诺伊曼边界条件强制执行以及基于交叉注意力的交互建模,PI-CAON有效地捕捉了布局依赖的热行为,同时实现了完全无标签的学习

CRediT作者贡献声明

袁江:撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。叶月江:撰写——审阅与编辑、验证、数据管理。刘铮:数据管理。王平峰:撰写——审阅与编辑、监督、资源管理、项目协调、资金获取、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。

致谢

这项工作部分得到了美国国家科学基金会(NSF)通过电力优化电热系统工程研究中心(POETS)的支持,合作协议编号为EEC-1449548。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号